基于ASTER图像和地形因子的岩性单元分类——以新疆木垒地区为例

利用遥感图像进行岩性分类,是遥感地质应用的重要方面之一.本文运用ASTER DEM提取地形因子,并与原始的光谱图像相结合用于遥感图像的岩性单元分类.文章分析了不同尺度的地形因子对岩性单元分类的作用,并进一步分析和比较各种地形因子对岩性单元分类的作用.结果表明,在岩性单元分类过程中加入不同的地形因子可不同程度地提高岩性单...     

基于分形理论的地形复杂性量化方法

地形的复杂性是地表崩塌、山体滑坡、泥石流等自然灾害的主要影响因素之一,近年来对地形复杂性的定量研究十分活跃,分形方法是其中主要的研究方法之一,但是目前的研究大多以沟壑分形、等高线分形、元分形等为主,难以对区域地形的整体复杂性进行定量描述;利用基于相对高差的地形分形研究方法,对三个形状和面积基本一致,地形起伏特征各不相同的区域,以相同的网度兼顾特殊地形位置布设样品点,统计样品点及其相对高差信息,并进行分形分析,分析结果表明,样品点的相对高差信息基本包含了其所在区域的地形特征信息,地形的相对高差信息服从分形分布,其分维值的变化趋势与地形复杂性相反,由此提出将其分维值的倒数定义为地形复杂性指数,地形复杂性指数的变化趋势与地形复杂性一致,它很好地拟合了地形的实际特征,定量地刻划了地形的复杂程度。     

三峡库首区滑坡空间分布特征分析及危险性评价

采用遥感和GIS技术从宏观上对三峡库首区三峡工程二期、三期治理滑坡和新增滑坡的空间分布与地形地貌、地层岩性、断裂构造、水系流域和人为影响等因素的相关程度进行分析,获取孕灾环境特征规则,并对其危险性进行评价。结果表明,地形因子中的高程、坡向和高程变异系数与滑坡的相关性较高;研究区内断裂构造对滑坡发育的控制作用不明显;研究区滑坡体的空间分布受到不同因子组合的约束,可根据不同因子组合约束的权重对研究区滑坡危险性进行评价。     

基于DEM的黄土高原地形纹理概念模型

黄土高原“千沟万壑”的地貌形态,在多尺度空间下表现出显著自相似性,具有“局部无规则,宏观有规律”的纹理特征。目前,黄土高原地形纹理的提取方法及应用已经得到初步发展,但依然缺乏在理论层面的框架体系。本文在已有学者研究成果的基础上,限定黄土高原为研究范围,明确提出黄土高原地形纹理的概念模型,即内涵、特征、分类及表达。将内涵进行扩展,除已有的宏观形态地形纹理外,提出黄土典型地貌单元（黄土塬、梁、峁等）特征组合形成的地形纹理,以及黄土坡面坡度特征形成的地形纹理;指出以数字高程模型为主的数据表达将更有利于地形纹理的量化,特别是基于DEM派生的坡面地形因子能够扩展地形纹理的特征空间,丰富地形纹理分析的数据源;明确地形纹理的基本特征,分别是区域差异性、成因复杂性和尺度依赖性;构建划分体系,以地形纹理的基元显著性、纹理成因以及可视化形态进行类别划分。本文以期构建面向黄土高原的地形纹理概念模型,推动纹理分析方法在黄土高原的应用和发展。     

倾斜潮汐振幅因子γ值异常的定量化研究

讨论了潮汐振幅因子γ值的变化幅度和频度异常的特征及含义。借助Ｆ统计检验理论研究了潮汐因子γ值的合成和异常定量化方法,提出了可用于定量描述异常程度的“异常指数”和异常检验准则。异常定量化研究的结果表明,震前异常呈有序迁移特征,并在异常时间和空间上与地震相关。研究结果与该区域现今大地测量结果相一致。     

黄土地貌类型的坡谱自动识别分析

地貌形态特征识别与分类,对生态环境、水文研究及地质构造分析等地学研究具有重要意义,已成为现代地貌学的一个研究热点。传统的统计模式识别方法精度较低,难以解决线性不可分的模式分类问题。人工方法虽然识别精度高,但因各人认知偏差导致的识别误差难以控制。人工神经网络作为一种动态信息处理系统,能有效解决线性不可分的地貌类型识别问题。坡谱是利用微观地形定量指标来反映宏观地形特征的有效方法,在地貌学研究中正受到广泛的关注。本文以陕北黄土高原8个不同地貌类型区的数字高程模型（DEM）为实验数据,以流域为分析单元,提取坡谱及其特征指标作为描述地形特征的定量因子,并通过BP神经网络的构建与学习,进行黄土地貌类型自动识别。实验结果表明,在8种地貌类型的样本数据中,第1次实验正确识别率平均值达70%;第2次和第3次实验中,去除相似度较高的峁状丘陵沟壑或峁梁状丘陵沟壑任一种地貌类型后,正确识别率平均提升为80%和85%。经Kappa系数验证,该方法能以DEM数据有效识别不同类型的黄土地貌。     

DEM栅格单元异质性对地形湿度指数提取的影响分析

 地形湿度指数可定量模拟流域内土壤水分的干湿状况,是静态土壤含水量的最常用指标,具有明确的物理意义。但是,由于DEM本身的结构特点,其提取的地形湿度指数具有尺度依赖性。本文主要探讨因DEM水平分辨率不同而导致的DEM栅格单元异质性,对地形湿度指数提取的影响。以厦门市地貌类型比较复杂的西源溪流域为实验区,使用1 ∶1万等高线生成的2.5m和20m分辨率DEM数据,分别提取地形湿度指数并计算栅格单元地形异质性指数,分析DEM栅格单元异质性指数与地形湿度指数之间的关系。研究表明,基于高程标准差、地势起伏度、景观破碎度和多样性的栅格单元异质性指数与地形湿度指数偏差之间均存在显著的负相关性,这4个异质性指数对地形湿度指数差值的对数回归模拟效果良好且显著有效。这对低分辨率DEM提取地形湿度指数的误差纠正,以及描述区域土壤含水量等地形湿度指数的应用研究具有积极意义。     

顾及多分析尺度的地形部位面向对象分类方法

地形部位是地表形态的基本单元,其分类和提取在地貌发育、数字土壤制图、景观生态制图等领域有着重要的应用。康鑫等提出的多尺度Geomorphons地形部位分类法（简称多尺度Geomorphons法）利用高程相对差异信息和地形部位多尺度特征,可避免受地形属性计算及单一分析尺度约束而误分类,然而其存在分类破碎及分析尺度域难以确定的问题。基于此,本文以多尺度Geomorphons法为基础,提出了其适宜分析尺度域确定方法,建立了以初始地形部位数据层组合的对象多尺度分割和分类方法,进而构建了顾及多分析尺度的地形部位面向对象分类方法。以陕北黄土高原区域5 m分辨率DEM为实验数据,对面向对象分类方法进行了验证与评价。实验结果表明：①均值变点法可有效解决分析尺度域难以确定的问题,实验样区适宜分析尺度域为[5×5, 33×33]栅格单元;②以0,255为二值化的地形部位数据层组合适用于多尺度分割,尺度、形状及紧致度参数组合影响分割结果,且对于实验样区存在最优分割参数;③与多尺度Geomorphons法相比,本文方法得到的地形部位分类结果完整性较好,在地表形态对应和地理认知等方面更具合理性。     

基于GridMet模型的浙江省温湿指数空间分布及地形影响分析

温湿指数是气候舒适度评价模型之一,通过温度与湿度的组合反映人体与周围环境的热量交换,本文利用2003-2018年浙江省及其周边71个气象站点月平均气温、地面水汽压数据,以及MODIS水汽产品,基于GridMet模型模拟了浙江省各月温湿指数空间分布（100 m×100 m）,分析了浙江省温湿指数随地形因子（海拔、坡度、坡向）变化的特征;讨论了各地形因子对温湿指数空间分布的影响程度。结果表明：① 海拔、坡度、坡向3个地形因子中,1月温湿指数随坡向的变化最大,7月最小;② 同坡向上,坡度变化对1月温湿指数影响较大,而海拔变化则是对7月影响最大;③ 南坡1月温湿指数随海拔和坡度增加均略为增加,南坡其他月份及北坡各月均为随海拔和坡度增加温湿指数减小;④ 北坡相对于南坡而言,海拔和坡度对温湿指数的影响更为明显。浙江大部分山区由于地形影响,夏季较为“舒适”,适宜建立避暑消夏的旅游项目。     

黄土高原地形因子间关联性的神经网络分析

不同的地形因子从不同侧面反映地面的起伏特征或空间变异,各因子之间所存在的相互关联、相互制约、相互影响的特征,在很大程度上揭示了地形发育与空间变异的内在本质。本文以黄土高原丘陵沟壑区的1∶10000和1∶50000两种比例尺的15个实验样区为样本,应用BP神经网络模型,探讨不同比例尺的地形定量因子与地面坡度之间的关联特征及其变化规律。实验结果表明:①利用神经网络分析方法可以有效定量评价地形因子间的关联性;②该研究方法有助于地学分析中DEM尺度的选择,地形因子的确定及其相关关系的量化。     

面向城市DEM构建的地形要素分类及表达

地形要素是对地形在地表的空间分布特征具有控制作用的点、线或面状要素,其合理划分可为城市地形建模提供数据基础。本文在解析城市地形特征和分析现有地形图分类在城市DEM建模中不足的基础上,基于面向对象思想,以城市地形被城市道路网分割为基本原则,构建了城市地形要素分类及表达方法,并以南京市某区1:500地形图为实验数据,进行了相关验证实验与分析。实验结果表明,本文提出的地形要素分类和表达方法能够整体控制并有效表达集几何和语义信息为一体的复杂城市地形,在全局和局部地形上均有较好的建模效果。本文提出的城市地形要素分类及表达方法不但可为地形要素的分析和应用提供基础,也可为城市地形构建模拟、建设规划和分析决策等提供技术支撑。     

基于无人机成像点云的禄丰恐龙谷南缘环状地貌空间特征探测实验分析

为了定量获取复杂地貌构造的特征参数,需要获取高精度、高分辨率的地形地貌数据。在复杂地貌特征探测中,基于无人机航测结合成像点云,可以快速、高效、安全、准确地完成复杂地貌空间探测任务。针对禄丰恐龙谷南缘环状地貌的典型局地场景,采用无人机测量技术获取测区高分辨率的地貌影像数据,构建实景三维场景模型并对其地貌特征进行探测分析研究。试验结果表明:①基于无人机成像点云构建0.2 m分辨率DEM数据能够精准表达研究区真实地貌特征。②通过构建环状场景"内-中-外"7条典型高程剖面线,对比分析证实了研究区地形呈现环形"盆缘"形态特征,内外两侧高程逐渐递减,并且"盆缘"外部剖面高程起伏变化剧烈,地形相较于内部地貌更加复杂。③为进一步探测提取微形地貌特征信息,利用无人机成像原理构建的精准DEM数据结合测区实景三维模型,定量提取了该区坡度、坡向、相对高差、等值线、山脊线、山谷线等相关参数进行精准定量测量及分析探讨。④利用立体三维模型的多视角目视解译与典型场景分析,可清楚辨别出测区冲沟发育以及地质体的节理层理面等微地貌特征。通过以上对地貌三维场景探测试验研究表明,利用实景三维模型能够快速准确呈现测区地貌形态特征,并且成像点云数据综合分析,能够量化、半量化揭示区域构造地质信息。总体而言,无人机测量技术与成像点云3D产品在地质调查中的应用具有实用意义,并具备独特的技术优势。      

Regolith thickness modeling using a GIS approach for landslide distribution analysis,NW Himalayas

Regolith thickness is considered as a contributing factor for the occurrence of landslides. Although, mostly it is ignored because of complex nature and as it requires more time and resources for investigation. This study aimed to appraise the role of regolith thickness on landslide distribution in the Muzaffarabad and surrounding areas, NW Himalayas. For this purpose regolith thickness samples were evenly collected from all the lithological units at representative sites within different slope and elevation classes in the field. Topographic attributes (slope, aspect, drainage, Topographic Wetness Index, elevation and curvature) were derived from the Digital Elevation Model (DEM) (12.5 m resolution). ArcGIS Model Builder was used to develop the regolith thickness model. Stepwise regression technique was used to explore the spatial variation of regolith thickness using topographic attributes and lithological units. The derived model explains about 88% regolith thickness variation. The model was validated and shows good agreement (70%) between observed and predicted values. Subsequently, the derived regolith model was used to understand the relationship between regolith thickness and landslide distribution. The analysis shows that most of the landslides were located within 1–5 m regolith thickness. However, landslide concentration is highest within 5–10 m regolith thickness, which shows that regolith thickness played a significant role for the occurrence of landslide in the studied area.     

基于随机森林的黄土地貌分类研究

地貌分类在指导人类建设活动的规模与布局中有着重要的意义。然而,传统的基于数字高程模型(DEM)的地貌分类方法使用的地形因子和考虑到的地貌特征往往比较单一。本文提出了一种基于流域单元的地貌分类方法,该方法考虑了流域单元的多方面特征,包括基本地形因子统计量、地形特征点线统计量、小流域特征和纹理特征。本研究首先基于DEM进行水文分析将研究区域划分成不同的小流域。然后利用数字地形分析提取29个不同方面的特征来表征流域的形态,并基于随机森林(RF)算法进行了特征选择和参数标定。RF是一种基于决策树算法的集成分类器,能有效地处理高维数据,分类精度高。最后选择训练集小流域对RF分类器进行训练,使用训练完成的分类器对整个研究区域的地貌进行分类,研究地貌分异的规律。该实验在我国陕北黄土高原典型黄土地貌区域的地貌分类中取得了较好的结果,结果表明不同的地貌之间存在明显的区域界线,特定的地貌类型在空间上表现出明显的聚集性。通过人工判读进行验证的分类精度达到了85%,Kappa系数为0.83。     

复杂岩性油藏精细描述研究进展

复杂岩性油藏作为目前油田开发中十分重要的油藏类型之一,其精细描述一直受到研究者的关注和重视。为了给有效开发和调整部署提供依据,系统梳理了目前复杂岩性油藏精细描述中存在的主要问题、主要研究内容和技术发展方向,并总结复杂岩性油藏研究进展。从国内复杂岩性油藏精细描述研究现状入手,总结了该项研究存在的6项主要问题,主要包括岩性岩相识别与分类、储层地质成因分析难度大、地层精细划分与对比具有特殊性、裂缝表征难度很大、测井精细二次解释精度低、地质建模井间储层预测准确率低等。基于文献调研和综述,结合科研实践,认为复杂岩性油藏精细描述核心内容包括岩性岩相识别与分类、储层地质成因机制分析、储集空间识别和描述、储层物性精细测井解释和储层地质建模等5个方面。在此基础上,指出了该项研究的发展趋势,主要包括地层精细划分与对比、微观孔隙结构表征、储层裂缝表征、储层综合定量评价和流体识别等。     

汶川地震地质灾害遥感调查与空间特征分析

采用多源遥感数据、DEM数据和地形图等资料,对汶川地震地质灾害遥感进行了解译和调查。查明了汶川县境内地震地质灾害体的位置、类型、规模、边界等形态特征;论述了地震崩滑地质灾害溃滑型、溃崩型、抛射型、剥皮型、震裂型遥感影像特征;分析了汶川县境内地震地质灾害与地震断裂带、河谷地貌、高程、坡度、岩性等空间分布关系。研究表明,多源数据在地震地质灾害详细调查中具有采集范围广、速度快,可解译程度高、时效性高等优势,能较快、较好地应用于地震地质灾害突发性、区域性地震地质灾害遥感调查工作。     

面向地形特征的DEM与影像纹理差异分析

纹理分析方法在宏观地形特征分析方面具有较大的优势与潜力,但当前缺少对DEM与影像数据纹理特征差异的系统分析研究.本文采用灰度共生矩阵为纹理量化模型,选取了8个不同地貌单元的样本数据,对DEM和遥感影像2类数据的纹理进行了特征值对比分析,纹理特征稳定性分析,纹理特征组间差异性分析.实验结果表明,在所测试的二阶角矩,对比度,方差,熵4个纹理指标中,DEM和影像的对比度特征值间具有显著的相关性;通过不同地貌样区纹理特征值对比分析发现,DEM数据在地形起伏较大区域纹理特征更为明显,遥感影像数据则受地表覆盖物影响较大;从地形特征的稳定性角度分析,DEM数据在丘陵和山地分析有优势,影像数据则在平原和台地分析表现更好;从地形特征差异性角度分析,DEM数据要优于影像数据.进一步采用光照模拟和坡度数据以增加DEM纹理信息,研究结果表明,DEM派生的2类数据在地形量化差异性方面改进明显,并大大优于影像数据.     

基于灰度共生矩阵的DEM地形纹理特征量化研究

 DEM的地形纹理以其表达地形表面的纯粹性与分析数据的可派生性受到越来越多关注。本文选取陕西省10个不同地貌类型区的25m分辨率DEM数据,引入空间灰度共生矩阵(GLCM)对地形表面纹理特征进行定量分析。研究表明,25m分辨率DEM数据的GLCM模型适宜分析间距是大于等于3个栅格大小。各纹理参数中,相关度可用于地形纹理的方向性量化;方差、差的方差、对比度可用于对地形纹理的周期性分析;熵、二阶角矩、逆差矩可用于对地形纹理的复杂性分析。在DEM及其派生数据中,光照模拟数据计算的各纹理参数的平均变异系数最高,表明光照模拟数据最适合于地形纹理特征的量化研究。同时本文提出了一种多参数综合的地形纹理量化方法,通过运用综合周期性和综合复杂性两个指标对不同地形区量化分析,结果表明,这两个指标对不同地形形态响应显著,可用于地形形态分类与识别研究。     

基于深度学习的滑坡灾害易发性分析

滑坡灾害成因机理复杂、影响因素众多,深度学习作为当前人工智能领域的热点,能够更好地模拟滑坡灾害的形成并准确预测潜在的斜坡。为了挖掘深度学习在滑坡易发性的应用潜能,本文构建了一维、二维和三维的滑坡数据表达形式,并提出3种基于卷积神经网络模型（Convolutional Neural Networks, CNN）的滑坡易发性分析处理框架：基于CNN分类器、基于CNN与逻辑回归的融合和基于CNN集成,最后以江西省铅山县为研究对象进行验证,结果表明：所有基于CNN的易发性模型都能够获得准确且可靠的滑坡易发性分析结果。其中,基于二维数据的CNN模型在所有单分类器中预测精度最高,为78.95%。此外,二维CNN特征提取能够显著提升逻辑回归的预测精度,其准确率提升7.9%。最后,异质集成策略能够大幅度提升基于CNN分类器的滑坡预测精度,其准确率提升4.35%~8.78%。